DeepSeek 2.0時刻？Kimi令AI支出大幅減少？大科技才是受益者？- KP思考筆記(第51期)

大家好，我是 KP，歡迎來到第 51 期的《週末思考筆記》。

這幾天，一位朋友傳訊息問我：「KP，最近市場跌成這樣，你電子報的閱讀量有下滑很多嗎？」

我苦笑著回答：「確實，最近的點閱率下降了不少。」

看到這裡，你可能會想：「你總是說這麼多大道理，分析一大堆的。但事實上，我們現在大家不都還是在賠錢嗎？」

確實，我也一樣。在這波回檔裡，我也從高點吐回了不少利潤。老實說，這世界上沒有人能精準預測高點和低點，這是不可能的事。

我永遠不會宣稱自己有這種神預測的超能力。雖然幾週前我已經開始提醒大家，不要把所有資金都重壓在半導體，分一些到大型科技股會安全一些。

預測高低點並非在市場賺錢的依靠。我能帶給你們的價值，是當市場劇烈波動、大家陷入恐慌時，帶領大家清清楚楚地看懂現在的真實狀況。

這究竟是基本面的實質惡化，還是單純市場情緒與資金流的轉變？有了這層理解，你在做決策時就會有更多的「底氣」。

---

逃避，是被動割肉的開始

事實上，電子報點閱率的下滑，恰恰是一個非常準確的「反向指標」。

當市場連續暴跌，人類大腦的防禦機制會自動開啟。我們會本能地想要逃避痛苦，關掉看盤軟體、假裝帳戶不存在、甚至不再閱讀任何與投資相關的深度分析。

但問題是：投資，本質上就是一場極致的「反人性」修煉。

如果你順應人性，在市場最熱、點閱率創歷史新高時瘋狂點擊、四處尋找明牌，你大概率會買在「擁擠共識」的頂部，最後高位接盤。

如果你逃避痛苦，在市場退潮、泥沙俱下時選擇關機、停止思考，你就會錯失撿便宜籌碼的黃金時機。

市場下跌時，才是最該靜下心來研究的黃金時間。

很多投資人以為「我不看盤、不研究，只要不賣就不算虧」，這是一種極其危險的鴕鳥心態。當你停止追蹤公司的動態，你對持股的信心就會隨時間被恐懼蠶食。

等到某天市場出現最後一擊的「恐慌性拋售（Capitulation）」時，你往往會在情緒崩潰的臨界點，不計代價地割肉在最低點。

不學習的代價，是你在不知不覺中，將決策權交給了市場上最恐慌的情緒。

---

市場大跌時，才是「研究 ROI」呈指數級上升的時刻

當市場處於狂熱的牛市時，好公司與爛公司都在漲，基本面研究的價值往往被「動能」和「情緒」稀釋。

你花三天三夜研究一家公司的護城河，可能還不如別人看圖說故事、開五倍槓桿賺得多。那時候，研究的 ROI（投資報酬率）是極低的。

但當市場崩盤、好公司被無差別錯殺時，情況完全反過來了。

此時，價格（Price）大幅偏離了價值（Value），這才是研究能產生最大 Alpha（超超額回報）的時刻。

市場就像個鐘擺，永遠在「極度樂觀（貪婪）」與「極度悲觀（恐懼）」這兩個極端之間瘋狂擺盪，很少有停留在「理性與平衡」的時候。

如果只跟著新聞標題走，注定會陷入追漲殺跌的惡性循環。我們的任務是在價格最不理性時，依然能看清真相，做出最理性的決定。

---

真正看懂基本面，你才有做決策的「底氣」

真正看懂基本面，你就能擺擺脫新聞標題的牽引，冷靜地拿出一張白紙，重新審視自己的資產配置：

• 砍掉 (Cut)： 基本面確實轉壞、核心敘事已經破滅的標的。

• 保留 (Keep)： 核心競爭力依然無可撼動、只是暫時被市場情緒錯殺的標的。

• 加碼 (Add)： 長期趨勢明確，而現在市場送禮、給出合理估值的標的。

你不需要在股價飛天時盲目去追，也不用在股價連日大跌時驚慌割肉。這層理解，就是你最深的底氣。

---

寫在最後：給依然留在戰場上的你

當不少人選擇離場、閉上雙眼時，依然點開這封信、讀到這裡的你，已經在認知上領先了市場大眾一大步。

當別人選擇關機睡覺時，讓我們繼續回歸邏輯，把功課做足。這星期，為了陪大家看清迷霧，我特別寫得比較多。

本次週報為大家準備了 1 個核心大主題（拆解為 3 篇） 與 3 個小專題。

準備好了嗎？讓我們回歸理性與邏輯，一起翻開下一頁：

▋ 本期核心大主題

• 主題一｜ DeepSeek 時刻 2.0 來了？

• 主題二｜ Kimi K3 對模型兩大巨頭的影響？

• 主題三｜ Kimi K3 會令 AI 支出減少嗎？

▋ 本期前沿專題

• 主題四｜ 微軟：別讓模型公司偷走你的數據？

• 主題五｜ 從蘋果起訴 OpenAI，看 AI 時代的終端入口之爭

• 主題六｜ CoreWeave 竟然「做空」供應商？

Kimi的主題，是我爆肝一整晚寫好的。不妨考慮先讚後看，我們立刻進入主題！

---

主題一| DeepSeek 時刻 2.0 來了？

當西方巨頭認為只要卡住先進晶片的脖子，就能鎖死中國 AI 的上限時，北京的 AI 新創公司「月之暗面」（Moonshot AI）發表了全新旗艦模型 Kimi K3。

這款擁有 2.8 兆參數的巨無霸，不僅在多項獨立評測中擠進全球前四，甚至在前端網頁代碼編寫等特定領域，擊敗了西方最頂尖的 Claude Fable 5 和 GPT-5.6 Sol。

Bloomberg 直接用上了標題：

「中國的 Moonshot 帶來了新的 DeepSeek 時刻」

---

什麼是「DeepSeek 時刻」？

要理解市場為什麼如此緊張，我們得先回到 2025 年初。

當時名不見經傳的 DeepSeek 憑藉極低成本開發出逼近美國頂尖水準的模型，打破了必須無限制堆疊 GPU 才能做出頂尖 AI 的迷思。

而這次 Kimi K3 的登場，幾乎是這個劇本的升級版。在晶片出口限制下，月之暗面依靠架構創新開發出目前全球體量最大的開源 AI 系統。

更讓華爾街神經緊繃的是時間點。就在 Kimi K3 發表的同一週，台積電雖然交出了亮眼的財報，卻宣布將 2026 年的資本支出進一步調高至 640 億美元；與此同時，Google 的旗艦模型 Gemini 3.5 Pro 卻頻頻傳出進度落後。

---

2.8 兆參數的背後：它是怎麼做到的？

Kimi K3 之所以能實現這種「以小博大」的效率，關鍵在於它採用了極致的「混合專家架構」（Mixture-of-Experts, MoE）。

簡單來說，Kimi K3 就像是一家擁有 896 位頂尖專家的超大型顧問公司。但每次你向它提問時，它並不需要動用所有人，而是透過精密的調度機制，只挑選其中最合適的 16 位專家來回答。

這種「極度稀疏」的運作方式，讓它在保有 2.8 兆參數超大容量的同時，依然能維持極高的運作效率。

此外，它還配備了高達 100 萬字（Tokens）的超大上下文窗口，並主打強大的「自主代理（Agent）」能力，能像工程師一樣自主閱讀代碼庫並操作終端機解決問題。

---

帳面價格很便宜，但實際用起來呢？

在商言商，開發者最關心實際成本。如果單看 API 的帳面定價（每百萬字輸入 3 美元，輸出 15 美元），Kimi K3 的價格大約與 GPT-5.6 Terra 相當，確實比最頂尖的 Claude Fable 5 便宜了一大截。

但在實際應用中，這裡隱藏了一個有趣的細節：Kimi K3 目前是個「話癆」。

根據獨立機構 Artificial Analysis 的實測，在完成相同任務時，Kimi K3 產生的字數（Output Tokens）幾乎是其他模型平均值的兩倍。這是因為它在啟動時，預設開啟了「最大推理模式」。就像一個極度謹慎的學者，在給你最終答案之前，必須在腦海中進行大量的「碎碎念」（思維鏈推理）。

由於這些思考過程同樣計費，折算下來的實際任務成本其實與昂貴的 GPT-5.6 Sol 相差無幾。

這帶出了 AI 時代的核心指標：每美元能買到多少有效智慧。

比起西方模型，中國新創模型目前則需要透過大量的暴力思考來彌補底層能力的差距。不過，這只是技術發展初期的陣痛。月之暗面已經表示，未來將開放讓用戶自由調整「推理深度」，當用戶可以選擇在簡單任務上讓 AI「少想一點」時，它的性價比優勢將會真正釋放出來。

---

為什麼說它「不完全」是另一個 DeepSeek？

雖然市場將其渲染為 DeepSeek 2.0，但 Kimi K3 的商業策略完全不同。

當年的 DeepSeek 走的是極致價格破壞路線，用低廉定價顛覆市場。

Kimi K3 的定價顯著高於國內同行，它選擇在技術難題上硬碰硬，主打大體量、超長上下文與原生多模態視覺能力。它試圖證明的是，中國的 AI 實驗室有能力做出性能頂尖的旗艦模型。

這標誌著一個重要的分水嶺：

過去中國模型多扮演便宜好用的替代品角色，與全球第一梯隊始終存在代差。Kimi K3 則是第一款在特定實戰場景展現競爭力的產品。

隨著月之暗面承諾在 7 月底完全開源這款模型的權重，這個接近 3 兆參數的工具將變成免費資源，屆時將會倒逼收取高昂訂閱費的西方閉源巨頭拿出更具革命性的產品。

然而，這項大動作對整個 AI 生態體系帶來的衝擊，必須從「開源權重」這四個字在商業實務上的含義談起。

---

主題二| Kimi K3對模型兩大巨頭的影響？

Kimi K3 在能力上追平 Claude 與 GPT 擠進全球前列，這固然是一項技術突破。

但我認為，尤其是當我們發現它的實際任務成本並不便宜時，它若只作為另一個普通的模型選項，實質價值並不大。Kimi K3 最重要的核心價值，在於它是開源的。

---

什麼是開源模型？

很多人聽到「開源權重（Open Weights）」這四個字，可能覺得又是工程師的術語，跟我們普通人沒什麼關係。

我們用一個簡單的比喻來理解：

• 閉源模型（如 ChatGPT、Claude）： 就像是去一家高級餐廳吃飯。你只能透過點單系統（API）點菜，廚師在廚房裡把菜做好端給你，你按盤付錢。你永遠不知道這道菜是怎麼做出來的，配方是什麼。

• 開源權重（Open Weights）： 則是這家餐廳決定把整本食譜、甚至廚師的獨門調味秘方（那定義模型的 2.8 兆個參數數字）毫無保留地公開。

任何人都可以把這套「大腦」下載到自己的伺服器上，完全不受限制地運行、修改、甚至針對自己的業務進行深度客製化。

在此之前，開源領域的最強者（如 Meta 的 Llama 系列或 DeepSeek）雖然優秀，但與最頂尖的閉源模型相比，始終有著半代到一代的差距。

而 Kimi K3 則是歷史上第一次，有團隊將一個極度接近頂尖水準（如 Claude Fable 5 或 GPT-5.6 Sol 級別）、具備 100 萬超長上下文與原生視覺能力的巨無霸模型，直接送進了開源社群。

這代表開源模型不夠強的時代很可能會結束，也為需要處理高度機密數據的政府與金融機構，提供了一個無需依賴美國科技巨頭 API 的頂級選擇。

---

閉源巨頭的定價權焦慮

這項進展受影響最大的，是依靠販售 API 服務為生的 OpenAI 與 Anthropic。長期以來，這些實驗室的護城河非常簡單：「我是全市場最聰明的，所以你必須付高價買我的服務。」

但商業世界往往非常現實：「最聰明」的產品，不一定能贏過「夠用且便宜」的產品。

特別是在程式碼編寫、企業內部自動化流程（Agent）這些需要大量、反覆運行的任務中，API 的調用成本是非常驚人的。

如果現在出現了一個開源模型，它的聰明程度有最頂尖模型的 90%，但因為是開源的，企業可以自己部署、自己優化，成本直接降到極低，甚至還能保證數據不外洩。

這時候，誰還願意一直付高額的過路費給 OpenAI？

這直接動搖了閉源巨頭們的定價權。特別是像 Anthropic 這樣，一直以「寫程式最強」為賣點的實驗室，在這波衝擊中承受的壓力會尤為明顯。

---

雲端巨頭其實更樂見模型百花齊放？

表面上，微軟、亞馬遜和 Google 等都分別重金投資了 OpenAI 與 Anthropic，理應希望閉源陣營大獲全勝。

但我認為，雲端巨頭在心底裡，其實非常樂見「模型碎片化」和「開源模型的崛起」。

試想一下，如果未來世界真的被 1 到 2 家閉源實驗室徹底壟斷，會發生什麼事？

所有的企業客戶都只認 Anthropic，微軟和亞馬遜就會被邊緣化，退化成單純提供電力和伺服器的「水電工」。最肥美的利潤、最核心的客戶關係，都會被閉源巨頭拿走。

這絕對不是雲端巨頭想要的未來。他們最希望看到的局面是：天下大亂，群雄割據。

當市場上有 5 到 10 個實力相當的模型（有閉源的、有開源的、有中國的），企業客戶就會面臨「選擇困難症」。這時候，雲端巨頭的價值就體現出來了。

在這種「百家爭鳴」的混亂局面中，雲端巨頭才能牢牢掌握客戶關係，賺取穩定的平台管理費和算力費。

亞馬遜或 Google 可以對企業客戶說：「你看，市場上模型這麼多，你不用只綁定一家。來我的平台上，我幫你做『模型調度與管理』。簡單任務用便宜的開源模型，複雜任務再調用閉源模型，我幫你省錢。」這也是為什麼，亞馬遜 AWS 對於支持各種開源模型一直最為積極。

---

這會是一場「一夜變天」的革命嗎？

看到這裡，你可能會想：那是不是意味著開源要徹底打敗閉源了？老實說，我不會跟你吹噓這種神話。

把一個 2.8 兆參數的模型下載下來，並不代表你能在自己的筆記型電腦上流暢運行。 這背後依然需要非常龐大且專業的硬體基礎設施。對於絕大多數中小企業和個人開發者來說，自己買設備來跑這個模型依然是不切實際的，大家最後還是得依賴雲端服務商提供的託管服務。

另外，Kimi K3 在某些綜合智力指標上，距離最頂尖的閉源模型依然存在一點差距，而且開源授權條款也可能有一些商業限制。

但這並不妨礙它成為一個分水嶺：

這件事真正的意義在於，它打破了西方閉源巨頭對「前沿能力」的壟斷，也給了所有企業客戶更多的籌碼與選擇。

---

主題三| Kimi K3 會令 AI 支出減少嗎？

當 Kimi 看起來有機會追上 GPT 和 Claude，為他們帶來壓力時，華爾街卻往往陷入另一種恐慌論述：

「AI 泡沫要破了？算力需求是不是到頂了？」

「OpenAI 和 Anthropic 的高定價模型還怎麼賣？他們會不會被邊際利潤壓垮？他們會不會從此不花錢了？」

事實上，模型層的利潤縮水，往往是底層基礎設施與上游應用迎來更健康爆發的前兆。

---

軍備競賽的「領跑者壓力」

想像一下，你正在參加一場馬拉松，原本你領先第二名一大截，可以氣定神閒地調整呼吸。

但突然間，後方的對手換上了更輕量、效率更高的跑鞋，正以驚人的速度縮短與你的距離。

這時候，作為領跑者的 OpenAI 或 Anthropic，理性的選擇是什麼？是放慢腳步省點體力，還是咬緊牙關、甚至打下興奮劑加速狂奔？答案顯然是後者。

為了重新拉開差距、維持「全市場最聰明」的護城河，領先實驗室唯一的出路就是加速訓練更大、更強的下一代模型。

這是一場停不下來的軍備競賽。只要對手還在逼近，領先者在研發與訓練算力上的投入就只會增加，不會減少。

他們有「意願」花，但真的有「能力」燒嗎？

你可能會問，就算他們想花更大的投入，這種幾百億美元的無底洞，怎樣花？

雖然微軟、亞馬遜、Google 等巨頭不想讓 OpenAI 和 Anthropic 獨大，但他們之間仍然有著極深的利益綁定。對於整個美國科技生態而言，「失去前沿模型的絕對領導權」是地緣政治與商業戰略上無法承受的代價。

事實上，微軟、亞馬遜和 Google 給 OpenAI 或 Anthropic 的投資，很大一部分是以「雲端算力額度」（Cloud Credits）的形式支付。

這意味著巨頭們把資金「投」給實驗室，實驗室再把錢轉化為 Azure 或 AWS 的雲端營收。這種閉環極大地降低了巨頭們的實際現金流壓力，同時還撐大了自家的雲端業務版圖。

對於這些 Hyperscalers（超大規模雲端運算業者）來說，這正是他們最樂見的「黃金平衡點」。巨頭們心目中最完美的劇本是：

1. 確保前沿實驗室（OpenAI / Anthropic）有足夠的資金持續推進技術極限。

2. 透過建立自家模型（如 Gemini、Grok）或擁抱 Kimi K3、開源模型等競爭勢力，讓「純模型層」面臨嚴酷的競爭壓力。

這樣一來，OpenAI 和 Anthropic 就無法靠著壟斷地位獲取暴利、進而脫離巨頭的掌控。當前沿實驗室的邊際利潤被壓縮，雲端巨頭們就能順理成章地吞下產業鏈中最大、最穩定的那一塊蛋糕。

---

又是傑文斯悖論

另一個推動算力消耗暴增的力量，來自經濟學著名的「傑文斯悖論」（Jevons Paradox）。

這個悖論指出：當技術進步提高了某種資源的利用效率（使其成本降低）時，該資源的消耗總量反而會增加，因為更便宜的價格會催生出爆發性的新需求。

在 AI 領域，這個現象正在真實發生。過去，因為頂級模型的 API 價格昂貴，企業在部署 AI 時總是小心翼翼，只敢在最關鍵的環節使用。

但當 Token 的價格暴跌 50% 時，企業的反應通常不是「太好了，我可以省下一半的預算」，而是「太好了，我終於可以用同樣的預算，把 AI 塞進以前根本不敢嘗試的業務場景裡了！」

例如，有些企業開始建立複雜的多模型路由系統，或者讓多個 AI 代理（Agents）在後台反覆對話、自我糾錯。這種「多模型協作」和「長思考鏈」的運作模式，會帶來成百上千倍的 Token 消耗量。

當「聰明」變得足夠便宜，AI 的應用場景就會呈指數級擴張。這意味著，雖然單個 Token 的利潤變薄了，但整體的推理算力（Inference Compute）需求卻會迎來更巨大的爆發。

---

一個更健康的 AI 生態正在誕生

從產業生態的角度來看，大模型利潤縮水、算力需求不減的趨勢，反而代表著市場步入成熟。如果產業價值完全被兩三家模型實驗室壟斷，將會是一個高度脆弱的結構。

隨著模型層面競爭白熱化，整個產業的重心正在發生兩大結構性轉變：

• 價值向上下游轉移： 更多的經濟剩餘開始流向底層的算力基礎設施提供商，以及上游的編排層與工具鏈。

• 重心從單一模型轉向系統工程： 業界的焦點不再是哪家模型最強，而是如何靈活組合不同的模型來解決真實世界的複雜問題。

這就像網際網路早期，當光纖與伺服器等基礎設施變得足夠便宜時，瀏覽器本身不再是唯一的獲利來源，反而催生出了搜尋引擎與電子商務等繁榮的應用生態。

---

主題四| 微軟：別讓模型公司偷走你的數據？

作為 OpenAI 的最大金主，微軟CEO Satya Nadella 最近卻公開呼籲企業：「小心別被模型廠商洗劫了你的數據。」

這看似「左手打右手」的矛盾舉動，背後其實是微軟嘗試在重新定義 AI 遊戲規則。

Nadella 在X上發文，引出了一個極具啟發性的經濟學概念，由 1962 年諾貝爾獎得主 Kenneth Arrow 提出的「資訊悖論」（Information Paradox）：

當你想買一項資訊時，賣方必須先展示給你看，你才決定要不要付錢；但只要你看到了，你就已經免費得到了這項資訊。此時，承擔損失風險的是賣方。

但 Nadella 指出，在人工智慧時代，這個邏輯被徹底反過來了，現在承擔風險的變成了買方，也就是付費使用 AI 的企業。他把這個現象稱為「逆向資訊悖論」(The Reverse Information Paradox)。

原文閱讀：https://x.com/satyanadella/article/2076323181154230284

什麼是「逆向資訊悖論」？

當企業員工在使用 AI 時，會輸入各種提示詞、調整工作流程。當 AI 給出錯誤答案，員工動手修正時，企業其實付了兩次代價。

第一次是付給模型廠商的代幣（Token）費用，第二次則是把企業最珍貴的內部運作經驗免費送給了 AI。

Satya Nadella 說，我們在消費智能的同時，也在創造智能，而我們創造出來的成果，理所當然應該屬於我們自己。

但目前的通用模型，卻在不斷吸取員工的糾錯紀錄與工作軌跡來壯大自己。

繼續下去的話，模型廠商會越來越懂你的行業細節，你對這個「黑盒子」卻一無所知，雙方的差距只會越拉越大。

---

奪回控制權：與兩週前的發言遙相呼應

這番論述，正好呼應了 Palantir 執行長 Alex Karp 先前的憤怒發言。

Karp 指出，許多企業一邊支付高昂的代幣費用，一邊在不知不覺中把核心流程與專利數據送給前沿模型實驗室。

企業真正想要的，是對算力、數據架構與競爭優勢的自主掌控。

微軟 與 Palantir 正聯手建立一個新共識：幫助企業重新奪回 AI 的控制權。

過去兩年市場迷信「買最強的模型、付錢買代幣就能解決問題」；現在巨頭們提醒，這不過是花自己的錢，幫未來的競爭對手訓練模型。

---

解決方案：什麼是 Frontier Tuning？

當然，Nadella 不只是在探討經濟學，他是在為微軟在 Build 大會上推出的全新企業客製系統「Frontier Tuning」做鋪墊。

過去企業多是租用通用模型，再搭配簡單的資料檢索。Frontier Tuning 則是在企業專屬的 Azure 雲端邊界內，建立一個私有的「強化學習環境（RLE）」。

這個專屬於內部的「AI 訓練健身房」由三個核心構成：

首先，它是一個與生產系統隔離的安全沙盒，讓 AI 在其中模擬、嘗試並接收回饋。

其次，它會導入企業專屬數據（如 SharePoint、Microsoft 365）並完整記錄員工的真實決策與糾錯軌跡。

最後，優化後的模型參數與學習記憶完全保留在企業自己的 Azure 環境中，絕不外流。

早期合作客戶 Land O’Lakes 的數據顯示，這套方案將複雜報告的準確度提升至九成以上，且代幣消耗效率提高了將近十倍，直接解決了預算無效消耗的痛點。

---

微軟的策略布局

微軟 身為 OpenAI 的大股東，卻高調倡導防範模型廠商拿走企業數據，看似矛盾，實則是其重新定義 AI 遊戲規則的深思熟慮。

這項布局的核心在於將商業模式從低毛利的「代幣銷售」升級為「系統平台」。微軟 正巧妙順應金融、醫療等產業對數據主權的剛需，將其引導至 Azure 託管與 Frontier Tuning 方案中。一旦企業將核心學習閉環架設在 Azure 上，未來便極難轉移。

更關鍵的是，這能降低對單一模型的依賴。彈性的 Frontier Tuning 架構向企業證明了「底層模型是誰不重要，在 Azure 運行的私有閉環才關鍵」。這不僅讓微軟擺脫了模型降價潮的牽制，更在無形中削弱了其他模型廠商的談判籌碼，牢牢掌握 AI 生態系的主導權。

作為 OpenAI 的大股東，微軟享受著前沿技術帶來的估值溢價與產品紅利；但作為雲端基礎設施的霸主，微軟又轉過身來，向企業兜售防範前沿模型的「防彈衣」。

這種「既賣矛、又賣盾」的戰略，讓微軟立於不敗之地。

無論未來的模型大戰由誰勝出，也無論底層模型價格跌得有多慘烈，只要企業對於數據主權的焦慮存在，Frontier Tuning 就會把這些最賺錢、最黏著的企業核心閉環牢牢鎖在 Azure 上。

模型是流水的兵，而 Azure，才是微軟鐵打的營盤。

---

主題五| 從蘋果起訴 OpenAI ，看 AI 時代的終端入口之爭

前蘋果設計師 Jony Ive 創立的硬體新創、超過 400 名被挖角的蘋果硬體團隊成員，以及面試中被要求展示的未公開原型零件。

這些出現在蘋果訴狀中的細節，揭示了這家科技巨頭與 OpenAI 之間已經沒有退路。

2024 年夏天，雙方還在開發者大會上宣佈將 ChatGPT 整合進 Apple Intelligence，然而僅僅過了兩年，OpenAI 就成為蘋果必須在法律與生態上全力阻擊的對手。

這場決裂背後，透露出 OpenAI 對分發通路的生存焦慮，以及蘋果對「裝置層」絕對控制權的捍衛。

盟友與對手的邊界：當互補品走向替代品

在商業生態中，最穩固的合作通常建立在「互補」之上。

合作初期雙方分工明確：蘋果控制著硬體與作業系統（OS）這一實體入口，而 OpenAI 則提供雲端智力支持。此時的 OpenAI 只是蘋果生態裡的一個「軟體互補品」。

然而，這種平衡在 OpenAI 展現出硬體野心後被徹底打破。當 OpenAI 在 2025 年以約 65 億美元收購了 io Products，並陸續挖角了超過 400 名蘋果硬體團隊成員時，它已經跨越了那條隱形的紅線。

這背後的底層邏輯在於：OpenAI 試圖從一個「軟體互補品」，轉變為一個「硬體替代品」。

如果 OpenAI 能夠成功打造出一款全新形態、AI 原生的硬體載體（無論是智慧眼鏡還是新型隨身終端），並直接建立與用戶的互動，用戶對 iPhone 作為主要 AI 入口的依賴將會被大大削弱。對於將硬體視為生命線的蘋果而言，這無疑觸碰了其最核心的利益。

這些指控背後透露的意圖非常明確：OpenAI 試圖在極短時間內，複製蘋果花費數十年與數千億美元建立的硬體設計與供應鏈體系，以此「抄近路」完成硬體佈局。

---

老巨頭的「地盤默契」 vs 新貴的「版圖重塑」

那麼，為何蘋果卻在之後走向了同樣擁有硬體與作業系統的谷歌（Google），來一起合作搞 AI？

我認為，這揭示了科技產業中「老巨頭」與「新貴」之間的矛盾。

蘋果與谷歌是盤踞科技界多年的「老科技巨頭」。他們各自擁有無可動搖的「地盤」，蘋果統治著高端硬體與 iOS 生態，谷歌則霸佔了全球搜尋與 Android 系統。

巨頭之間雖然有競爭，但更多的是對彼此地盤的尊重與利益綁定。

最典型的例子就是谷歌每年向蘋果支付高達數百億美元，以維持其在 iPhone 上的預設搜尋引擎地位。這筆龐大的資金流動，讓雙方在競爭時必須顧及更廣泛的商業利益。他們擁有極高的「相互保證毀滅」成本，因此更傾向於在既有規則下合作共生。

相反地，OpenAI 是一個沒有歷史包袱、試圖重塑整個科技版圖的「新貴」。

在過去，OpenAI 只專注於做模型，與巨頭們互補，大家自然相安無事。但隨著模型技術逐漸同質化，OpenAI 深刻意識到：單純擁有模型層是不夠的。沒有自己的分發通路，大模型隨時可以被其他模型替代，最終只能淪為巨頭生態裡的「打工仔」。

為了不被扼住命脈，OpenAI 必須擁有自己的硬體與分發通路。它與 io Products 的結合，目標是創造「後手機時代」的全新硬體範式，試圖直接繞過 iPhone 這一入口。

這種試圖「掀桌子、重新定義規則」的侵略性，是蘋果絕對無法容忍的。

因此，蘋果必須在 OpenAI 的硬體羽翼未豐之前，用盡一切法律與生態手段，在第一時間將其徹底阻擊。

---

為什麼系統層控制權，比 AI 模型更關鍵？

這場衝突折射出 AI 產業鏈的權力結構正在發生根本性位移。市場曾經認為「模型為王」，但現在，真正的護城河重新回到了「系統層」。

1. 入口的排他性：無論雲端的 AI 模型多麼聰明，它都必須透過一個物理載體與用戶互動。誰控制了裝置，誰就控制了用戶的注意力、上下文數據（Context），以及將流量分發給哪個 AI 模型的決定權。

2. 數據的護城河：端側（On-device）運算與私密雲端運算（Private Cloud Compute）的結合，讓硬體裝置能夠在本地安全地處理用戶最私密的個人數據。這種基於硬體安全晶片建立的信任，是純軟體模型服務商難以企及的。

3. 獲利模式的穩定性：訂閱制的軟體服務隨時可能被用戶取消，但硬體裝置的替換週期與高昂的轉換成本，能提供極為穩定的現金流與生態黏性。

這本質上是一場時間賽跑：OpenAI 必須在模型溢價消失前做出硬體；而蘋果則試圖以法律訴訟極大化其開發成本，拖慢其研發進度。

---

全棧巨頭的終極壁壘

蘋果 與 OpenAI 的決裂，證明了為什麼像蘋果、谷歌這樣的老牌科技巨頭依然如此強大。

因為他們擁有「全棧（Full Stack）」的掌控力，從晶片設計、硬體製造、作業系統、分發通路到龐大的用戶基數，每一個層級都築起了高聳的壁壘。

新貴 OpenAI 雖然在「模型層」一度領先，但缺乏「裝置層」與「通路層」的致命短板，讓它在面對老巨頭的生態重拳時顯得極為被動。

蘋果 正在用它最擅長的方式告訴世界：在 AI 時代，演算法或許可以速成，但數十年累積的硬體與生態帝國，絕不容許任何人輕易染指。

---

主題六| CoreWeave竟然「做空」供應商？

身處 AI 浪潮最前線、每天瘋狂採購晶片的算力巨頭，與供應商理應是「一榮俱榮」的戰略盟友。

然而近期卻傳出，AI 雲端服務商 CoreWeave 正在與投資銀行研議財務操作，考慮將買進美光與SK 海力士等的股票賣權（Put Options）納入潛在選項，反手「做空」自己的核心供應商。

身為大客戶，竟然將「對沖核心夥伴的股價」視為避險手段？

這項決策背後的商業邏輯，反映了 AI 基礎設施產業在面對市場週期時的轉變。

報導：https://www.reuters.com/world/ai-cloud-company-coreweave-explores-wall-street-playbook-hedge-memory-chip-price-2026-07-14/

長期合約與價格下限的潛在風險

隨著記憶體供需緊繃，近期美光開始與客戶簽署三到五年的長期供應合約（LTA）。這種合約在晶片短缺時是救命稻草，但硬傷在於保護供應商的「價格下限」（Price Floor）條款：

即使未來市場供需平衡、現貨價格回檔，買方仍必須依約按最低保證價採購。

這時，CoreWeave 的麻煩就來了：如果屆時記憶體暴跌，他們卻被長約綁死、必須繼續以高價採購，不僅毛利率嚴重受損，還將面臨巨大的庫存跌價損失。

---

創辦團隊的大宗商品交易背景

利用衍生性商品來對沖晶片成本，看似天馬行空，但如果翻開 CoreWeave 創辦團隊的履歷，就會發現這極其符合他們的人設。

創辦人 Michael Intrator、Brian Venturo 與 Brannin McBee 擁有深厚的大宗商品與能源交易背景，曾管理過天然氣對沖基金。

對這群交易員出身的創辦人來說，他們看 AI 的視角與科技人截然不同： GPU 和記憶體晶片，本質上就是一種「大宗商品」；而算力中心，就是一座需要鎖定輸入成本、輸出利潤的「加工廠」。

因此，CoreWeave 從一開始就極擅長結構化融資（如用 GPU 抵押貸款、用客戶長約做信用背書）。

如今面對合約的「價格下限」風險，他們自然而然地拿出了最熟悉的武器：金融避險（Hedging）。

---

航空業油價避險類比的局限性

其實這個做法，和航空公司透過原油期貨鎖定燃油成本，有不少相似之處。大家都是透過長期合約鎖定核心實體投入品，並利用金融工具管理合約帶來的價格風險。

不過，晶片避險在實際執行上存在顯著的局限性。

航司避險使用的是直接對應的原油期貨；而 CoreWeave 則是利用記憶體廠商的「個股賣權」。股票價格與實際晶片價格存在落差，避險效果不夠精準。

同時，原油市場規模龐大，個股衍生性商品則流動性有限，大額避險成本極高。

這暴露出半導體產業鏈長期以來的一個空白：雖然晶片早已具備大宗商品的波動特性，卻缺乏像原油或黃金那樣，擁有高流動性、能直接對沖實物價格波動的標準化衍生性工具。

現階段，CoreWeave 只能無奈地用「個股股價」來當作晶片實物價格的「不完美替代品」。

如果未來記憶體價格並未下跌，CoreWeave 不僅要履行實體高價合約，買入賣權的「權利金」也將化為烏有，這極考驗公司的財務調度能力。

---

避險風聲傳出，對供應商是好是壞？

我認為，這個消息對記憶體大廠而言，其影響其實相當微妙的。

在正面影響方面，這表明買方是非常認真、專業地在對待這些長期合約，而不是等未來價格暴跌時，才試圖賴帳、毀約或強行要求重新談判。

如果 CoreWeave 透過金融市場賺到了錢，他們就能心平氣和地繼續履行高於市價的採購合約。這反而增加了記憶體大廠的營收確定性。

但如果從負面角度去看，市場一旦傳出有針對美光等個股的大額賣權買單，等於向市場宣告「大客戶預期晶片將大跌」。

這種情緒一旦蔓延，可能會在半導體景氣循環的末端，對晶片大廠的股價造成額外的下行壓力或波動。

---

科技與金融的理性賽弈

歷史上每一次半導體景氣繁榮的頂峰，往往都伴隨著繁華落盡後，買方大規模的賴帳、毀約與砍單。

CoreWeave 這次主動尋求金融避險，反而展現了一種成熟的商業契約精神。他們試圖利用資本市場的流動性，來消化未來可能出現的實體合約價差。

如果這項試驗成功，它將為半導體供應鏈提供一個全新的範本：利用衍生性金融商品作為緩衝墊，讓買賣雙方在面對週期循環時，都能體面地活下來。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。

我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。

另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。

全部資訊在以下鏈結：

https://linktr.ee/fomo_soc

另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!

· KP